排序模型的效果上限很大程度由特征决定。原始日志里只有曝光、点击、时间戳等字段，要经过清洗、聚合、交叉才能变成模型可用的数值向量。特征工程不是调参的附属品，而是独立的核心工作。
用户侧特征包括历史点击品类分布、活跃时段、消费能力分档等，通常用滑动窗口统计。物品侧特征包括热度、质量分、类目、价格区间等。二者交叉可得到用户对该类目的偏好强度。
时序特征要特别注意防止未来信息泄露。统计窗口必须以样本时间点为界，只使用之前的数据。离线拼接时容易出错，建议用统一的特征平台按时间戳回溯生成，避免手写 SQL 出错。
类别特征要做编码，高基数 ID 类特征常用哈希或嵌入。数值特征要做归一化和分桶，长尾分布建议先取对数再标准化。特征缺失要有明确填充策略，并记录缺失率监控。
上线前要做特征重要性和稳定性检查，离线 AUC 提升不代表线上有效。特征覆盖率和线上实时计算耗时同样关键，别让一个强特征拖垮整个排序服务。
